Trabajo Final DiplomaCSC - Opción 2

Carga de librerías a utilizar

library(tidyverse)
library(tidytext)
library(tm)
library(textstem)
library(patchwork)
library(wordcloud) 
library(plotly)
library(topicmodels)
library(tictoc)
library(cowplot)
library(reshape2)

Etapa 1: carga de datos y preprocesamiento

El archivo que se adjunta consiste en un corpus de unas 7.000 noticias scrapeadas entre julio y septiembre de 2019 de los siguientes medios de circulación nacional:

Télam La Nación Clarín Perfil Infobae MinutoUno Página 12

Constituye una muestra aleatoria del corpus construido por Florencia Piñeyrúa para su tesina de grado “Procesamiento del lenguaje natural aplicado al estudio de tópicos de noticias de seguridad en Argentina: julio a septiembre 2019”. Una exposición más concentrada de sus resultados puede encontrarse en el siguiente artículo.

El corpus contiene las siguientes variables:

id : identificador de cada documento url : link a la noticia original fecha : fecha de publicación anio : año de publicación mes : mes de publicación dia : dia de publicación medio : medio en el que fue publicado orientacion: clasificación -provisoria- de los medios según su línea editorial predominante (más conservador, más progresista, neutral) titulo texto

Carga dataset

corpus_base <- read_csv("M5_corpus_medios.csv")

# En este apartado vemos cuántas noticias aporta cada medio al corpus y calculamos la proporción sobre el total.

    corpus_base %>%
        group_by(medio) %>%
        summarise(n=n()) %>%
        mutate(
                total = sum(n),
                prop = n/total*100
                ) %>%
        ungroup() %>%
        select(medio, n, prop) %>% 
        arrange(desc(n))

Normalización y tokenización

corpus_tidy <- corpus_base %>% 
    mutate(texto= stringi::stri_trans_general(texto, "Latin-ASCII"),
         titulo = stringi::stri_trans_general(titulo, "Latin-ASCII")) %>% 
    mutate(texto = str_replace_all(texto, '[[:digit:]]+', '')) %>% 
    unnest_tokens(word, texto, to_lower = TRUE)

# En este este código tomamos el corpus de texto "corpus_base", lo normalizamos convirtiendo el texto y el título a caracteres ASCII, eliminamos los dígitos del texto y finalmente los dividimos en tokens para su posterior análisis.

Eliminar stopwords

stop_words_1 <- read_csv('https://raw.githubusercontent.com/Alir3z4/stop-words/master/spanish.txt', col_names=FALSE) %>%
        rename(word = X1) %>%
        mutate(word = stringi::stri_trans_general(word, "Latin-ASCII"))

Rows: 608 Columns: 1── Column specification ──────────────────────────────────────────────────────────────────────────────────────────────────────────
Delimiter: ","
chr (1): X1
ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

# En este código leemos un archivo CSV de stop words en español ubicado en la URL especificada, renombramos la columna a "word" y luego transformamos las palabras en la columna para asegurarnos de que estén en formato ASCII. El resultado final es un dataframe llamado "stop_words_1" que contiene la lista de stopwords normalizadas.

stop_words_2 <- read_csv("z_stopwords.txt", col_names = FALSE) %>% 
  rename(word = X1) %>% 
   mutate(word=stringi::stri_trans_general(word, "Latin-ASCII"))

Rows: 732 Columns: 1── Column specification ──────────────────────────────────────────────────────────────────────────────────────────────────────────
Delimiter: ","
chr (1): X1
ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

# Ídem pero el archivo CSV llamado "z_stopwords.txt" se carga desde la carpeta.

stop_words_full <- stop_words_1 %>% 
  bind_rows(stop_words_2) %>% 
  distinct()

# En este paso combinamos los dos dataframes de stopwords, eliminamos las filas duplicadas y guardamos el resultado en un nuevo dataframe llamado "stop_words_full". Este dataframe contiene la lista completa y única de stopwords normalizadas.

corpus_tidy <- corpus_tidy %>% 
  anti_join(stop_words_full)

Joining with `by = join_by(word)`

# En este código eliminamos las stopwords del corpus de texto "corpus_tidy" utilizando la lista de stopwords contenida en el dataframe "stop_words_full". Este paso en el procesamiento de texto es necesario para eliminar palabras que no aportan significado para el análisis posterior.

Corrección “años”

corpus_tidy <- corpus_tidy %>% 
  mutate(word = case_when(
    word == 'ano' ~ 'anio',
    word == 'anos' ~ 'anio',
    TRUE ~ word
  ))

Etapa 2: Consignas

¿Cuáles son las palabras más utilizadas en cada uno de los medios? ¿Pueden verse diferencias? (Tener en cuenta las diferentes métricas trabajadas en el curso: tf, tf-idf, etc.) Generar las visualizaciones que considere más pertinentes para responder la pregunta.

Exploración palabras más frecuentes

Comenzamos explorando el corpus en formato tidy para identificar rápidamente algunos de los términos más frecuentes por medio.

corpus_tidy %>%
        group_by(medio, word) %>%
        summarise(n=n()) %>%
        arrange(desc(n)) %>%
        pivot_wider(names_from = medio,
                    values_from = n)

`summarise()` has grouped output by 'medio'. You can override using the `.groups` argument.

word_counts_10 <- corpus_tidy %>%
        group_by(medio, word) %>%
        summarise(n=n()) %>%
        slice_max(n, n = 10) %>% 
        ungroup()

`summarise()` has grouped output by 'medio'. You can override using the `.groups` argument.

A continuación creamos una función para automatizar todas las visualizaciones relacionadas a las métricas del corpus.

crear_graf_words <- function(data) {
  medios <- unique(data$medio)
  graficos <- list()
  
  for (medio_actual in medios) {
    datos_medio <- data %>%
      filter(medio == medio_actual) %>%
      mutate(word = fct_reorder(word, n))
    
    grafico <- ggplot(datos_medio, aes(n, word)) +
                geom_col() +
                geom_text(aes(label = n), position = position_stack(vjust = 0.5), family = "Courier", color = "white") +
                labs(title = medio_actual,
                     x = "Frecuencia",
                     y = "Palabra") +
                theme_classic()+
                theme(plot.title = element_text(hjust= 0.5),
                      axis.title = element_blank(),
                      axis.ticks.x = element_blank(),
                      text = element_text(family = "Courier"))
    
    graficos[[medio_actual]] <- grafico
  }
  
  wrap_plots(graficos)
}

# Esta función crea para cada medio un gráfico con el top 10 de palabras según cada métrica analizada

El eje x muestra las palabras y el eje y muestra la frecuencia de cada palabra. El gráfico está segmentado en paneles por cada medio, y las escalas del eje y se ajustan para cada panel individual.

crear_graf_words(word_counts_top_10)

# Este código genera una visualización de las palabras más comunes en el corpus, desglosadas por medio y en general. Las palabras más comunes se muestran en orden descendente de frecuencia en cada categoría.

Algunas observaciones preliminares:

• Clarín e Infobae aportan cada uno el 22% de las noticias al corpus. El peso de las palabras más importantes para estos medios en el ranking general es alto.

• Año parece una stopword porque es una palabra que presenta una frecuencia alta intra e inter medios.

• Crónica, LN e Infobae son los únicos que no incluyen nombres propios entre las palabras más frecuentes.

• En LN hay muchas referencias a redes sociales y acciones en ellas (guardar, compartir). Las acciones y “fuente” podrían ser stopwords. Incluso las menciones a RRSS podrían ser producto del scrapping y no del contenido de las notas.

• Macri aparece como el político más nombrado. Lógicamente, es un resultado esperable si se tiene en cuenta que las notas relevadas corresponden al último año de su gobierno.

• Infobae y sobre todo Crónica parecen cubrir temas más generales que los demás medios, al incluir palabras como “polícía”, “ciudad”, “mujer”, “hombre”, “casa”, “personas”, “mundo”, “vida”. Incluso, la frecuencia de la palabra “policía” en Crónica (#2 o #1 si se excluye el término “anio”) podría indicar que la mayor parte de la cobertura de este medio se orienta a la temática policial. De todas formas, en el top 10 también aparecen palabras como “gobierno” y “presidente”.

• La palabra “frente” aparece con frecuencia en varios medios, lo que nos inclina a corroborar si refiere a frentes electorales o simplemente a un adverbio de lugar y, en este caso, debería considerarse como stopword.

• A modo de síntesis, podría advertirse que las palabras con mayor frecuencia de aparición en la totalidad de los medios se corresponden con la temática política. Es probable que esta vinculación sea un desprendimiento del escenario electoral que signó el período bajo análisis.

Term Frequency - TF:

A modo de práctica generamos el cálculo de term frequency manualmente para visualizar la distribución de términos según su frecuencia respecto al total de términos, aperturado por medio.

words_tidy <- corpus_tidy %>% 
  group_by(medio, word) %>% # en función de la consigna, hacemos el conteo de términos por medio
  summarise(n=n()) %>% 
  arrange(desc(n)) 

`summarise()` has grouped output by 'medio'. You can override using the `.groups` argument.

total_words <- words_tidy %>%
        group_by(medio) %>%
        summarize(total = sum(n)) 

words_tidy <- words_tidy %>% 
  left_join(total_words) %>% 
  ungroup() %>% 
  arrange(desc(n))

Joining with `by = join_by(medio)`

PRUEBITASSS

t <- words_tidy_test %>% mutate(tf = n/total) %>%
          ggplot(aes(tf)) +
                geom_histogram(show.legend = FALSE) +
                coord_flip()+
                #xlim(NA, 0.0002) +
                facet_wrap(~medio) +
                theme_classic()+
                theme(plot.title = element_text(hjust= 0.5),
                      axis.title = element_blank(),
                      axis.ticks.x = element_blank(),
                      text = element_text(family = "Courier"))
                  
plotly(t)

Storing 'username' as the environment variable 'plotly_username'
Error in Sys.setenv(plotly_username = username) : 
  wrong length for argument

En esta visualización podemos interactuar para identificar la cantidad de términos por tf:

tf_viz <- words_tidy %>% mutate(tf = n/total) %>%
          ggplot(aes(tf)) +
                geom_histogram(show.legend = FALSE) +
                coord_flip()+
                xlim(NA, 0.0002) +
                facet_wrap(~medio) +
                theme_classic()+
                theme(plot.title = element_text(hjust= 0.5),
                      axis.title = element_blank(),
                      axis.ticks.x = element_blank(),
                      text = element_text(family = "Courier"))
                  
ggplotly(tf_viz)

`stat_bin()` using `bins = 30`. Pick better value with `binwidth`.Warning: Removed 6859 rows containing non-finite values (`stat_bin()`).

Vemos que para los medios más masivos se cumple la Ley de Zipf: pocas palabras ocurren muchas veces. Los corpus de Crónica, Minuto Uno y Télam tienen menos términos que los demás y la tf tiene un rango menor (uso de palabras mejor distribuido).

Term Frequency - Inverse Document Frequency (TF-IDF)

En esta etapa complementamos el análisis con las métricas de idf y tf_idf, para obtener una medida más completa de la importancia de los términos en el corpus de documentos.

tf_idf <- words_tidy %>% 
  bind_tf_idf(word, medio, n) 

tf_idf %>% select(-total) %>% 
  arrange(desc(tf_idf))

# En este código calculamos las métricas tf, idf y tf_idf para todos los términos del corpus

Creamos tres dataset, uno por métrica, con el top ten de términos para pasarle a la función de visualización.

idf_10 <- tf_idf %>%
          group_by(medio) %>%
          arrange(desc(idf)) %>%
          slice_head(n = 10) %>%
          select(medio, word, idf) %>%
          rename(n = idf) %>%
          mutate(n = log(n + 1) * 100) 

Error in tf_idf %>% group_by(medio) %>% arrange(desc(idf)) %>% slice_head(n = 10) %>%  : 
  could not find function "%>%<-"

Pasamos cada uno de los top ten de términos por la función de graficado para visualizar los términos más importantes según cada métrica.

crear_graf_words(tf_10)

crear_graf_words(idf_10)

crear_graf_words(tf_idf_10)

Análisis preliminar de TF-IDF:

• En primer lugar identificamos la necesidad de agregar palabras al listado de stopwords. Entendemos que no aportan información sobre el contenido u orientación de las noticias y a su vez son únicos para algunos medios y eso genera un alto tf_idf.

  Ejemplos: jpe, ap, emj, cronica.com.ar, fvazquez, cronicavirales, hd, pemex, gt, afv, jpg, minutouno.com, ambito.com, ivanovich, loading, paginai, protected, lxs, email, r.c,cp, fel,l.l,d.s, ea, f.f, f.d.s, fh, a.g, pct, telam.la, nacional.el

• Podemos identificar “firmas” de periodistas (nombres de usuario o siglas) que tampoco son informativas sobre el contenido del corpus.

Etapa 1.2: Ampliación stopwords y reprocesamiento de la base

El análisis realizado nos permitió encontrar numerosas palabras incluidas en el corpus que creemos son producto del scrapping. Previo a la modelización para identificar tópicos creemos pertinente ampliar el listado de stopwords y repetir el preprocesamiento de los datos.

Para ampliar el listado de stopwords partimos del listado de palabras con sus métricas de tf e idf.

# Mediante el siguiente código eliminamos palabras que incluyen puntos y parecen producto de scrapping web. 
nuevas_stopwords_1 <- tf_idf %>% 
  select(word) %>% 
  filter(grepl('\\.', word)) %>% 
  pull(word)

# En este paso eliminamos palabras de dos caracteres, salvo contadas excepciones que tienen sentido.
nuevas_stopwords_2 <- tf_idf %>% 
  select(word) %>% 
  filter(str_length(word) == 2 & !(word %in% c('pj', 'fe', 'dt', 'tv', 'km', 'cv', 'dr', 'it', 'dj', 'ux'))) %>% 
  pull(word)

# Este código elimina palabras de tres caracteres. Parece haber más siglas y palabras cortas que tienen sentido pero, dada la gran cantidad de stopwords de 3 caracteres, hay motivos para incluir este paso.
nuevas_stopwords_3 <- tf_idf %>% 
  select(word) %>% 
  filter(str_length(word) == 3 & !(word %in% c('san', 'mil', 'ley', 'afp', 'sur', 'fmi', 'usd', 'rio', 'gol', 'paz', 'mar', 'oro', 'red', 'luz', 'voz' , 'rol', 'sol', 'gas', 'pie', 'par', 'pro', 'via', 'onu', 'ypf', 'iva', 'afa', 'pbi', 'bar', 'cfk', 'eje', 'rey', 'atp', 'don', 'fbi', 'gay', 'psg', 'uba', 'ucr', 'ceo', 'ong', 'fed', 'ojo', 'dea', 'uva', 'cgt', 'ufi', 'app', 'gil', 'vih', 'nba', 'bbc', 'evo', 'hip', 'hop', 'fox', 'nbc', 'rap', 'adn', 'ala', 'eva', 'pan', 'zen', 'afv', 'cck', 'eco', 'oca', 'tio', 'cnn', 'cia', "dni", "uia", "fdt", "uif", "hbo", "mls", "oea", "mep", "gnc", "auh", "che", "oil", "gen", "agn",    "fpv", "lam",   "pib", "cne","duo", "vox", "dow", "uca", "dnu", "pez", "pfa", "pdt", "fda", "fci", "oms", "psa", "feo", "cta", "ego",               
"faa",  "ute", "ate",   "lio", "fpt", "suv", "gba", "izq", "aro", "smn", "tnt", "uco", "ipc", "saa", "tmz", "ccl", "gel", "vip", "esi", "res", "kun", "tsj", "afi", "pts", "cnh", "ajo", "acv", "bmw", "bus", "gps", "ile", "ios", "unc",   "zoo", "jup", "tos", "unl", "upl", "zeo", "ave", "mte", "mpn", "apn", "mao", "pba", "sms", "cnv", "mdz", "fol", "iso"))) %>% 
  pull(word)

nuevas_stopwords <- data.frame(word = nuevas_stopwords_1) %>% 
  bind_rows(data.frame(word = nuevas_stopwords_2)) %>% 
  bind_rows(data.frame(word = nuevas_stopwords_3))

stop_words_full_v2 <- stop_words_full %>% 
  bind_rows(tibble(word = c('embed', 'anio', 'ano', 'anos', 'gusta', 'twitter', 'facebook', 'comentar', 'fuente', 'whatsapp', 'guardar', 'compartir', 'mail', 'loading', 'email', 'paginai', 'eltrece', 'infobae', 'http', 'https', 'attribute', 'find_all', 'nonetype', 'object', 'read' ))) %>% 
  bind_rows(nuevas_stopwords)

A partir de la nueva lista de stopwords, recreamos el corpus en formato tidy y también el dataframe en formato medio/término/n para continuar con el análisis de métricas.

corpus_tidy_v2 <- corpus_tidy %>% 
  anti_join(stop_words_full_v2)

Joining with `by = join_by(word)`

words_tidy_v2 <- corpus_tidy_v2 %>% 
  group_by(medio, word) %>%
  summarise(n=n())

`summarise()` has grouped output by 'medio'. You can override using the `.groups` argument.

total_words_v2 <- words_tidy_v2 %>%
        group_by(medio) %>%
        summarize(total = sum(n)) 

words_tidy_v2 <- words_tidy_v2 %>% 
  left_join(total_words_v2) %>% 
  ungroup() %>% 
  arrange(desc(n))

Joining with `by = join_by(medio)`

Revisión de métricas

Creamos el gráfico con la distribución de términos según su tf para identificar variaciones respecto a la v1.

tf_viz_v2 <- words_tidy_v2 %>% mutate(tf = n/total) %>%
          ggplot(aes(tf)) +
                geom_histogram(show.legend = FALSE) +
                coord_flip()+
                xlim(NA, 0.0002) +
                facet_wrap(~medio) +
                theme_classic()+
                theme(plot.title = element_text(hjust= 0.5),
                      axis.title = element_blank(),
                      axis.ticks.x = element_blank(),
                      text = element_text(family = "Courier"))
                  
ggplotly(tf_viz_v2)

`stat_bin()` using `bins = 30`. Pick better value with `binwidth`.Warning: Removed 6945 rows containing non-finite values (`stat_bin()`).

tf_idf_v2 <- words_tidy_v2 %>% 
  bind_tf_idf(word, medio, n) 

Creamos los dataset necesarios para visualizar los principales términos por métrica y por medio, buscando diferencias respecto a la v1.

tf_10_v2 <- tf_idf_v2 %>%
        group_by(medio) %>%
        arrange(desc(tf)) %>%
        slice_head(n = 10) %>%
        select(medio, word, tf) %>% 
        rename(n = tf) %>%
        mutate(n = log(n + 1) * 100) %>% 
        mutate(n = round(n, 4))

idf_10_v2 <- tf_idf_v2 %>%
          group_by(medio) %>%
          arrange(desc(idf)) %>%
          slice_head(n = 10) %>%
          select(medio, word, idf) %>%
          rename(n = idf) %>%
          mutate(n = log(n + 1) * 100) %>% 
          mutate(n = round(n, 4))

tf_idf_10_v2 <- tf_idf_v2 %>%
        group_by(medio) %>%
        arrange(desc(idf)) %>%
        slice_head(n = 10) %>% 
        select(medio, word, tf_idf) %>% 
        rename(n = tf_idf) %>%
        mutate(n = log(n + 1) * 100) %>% 
        mutate(n = round(n, 4))

crear_graf_words(idf_10_v2)

crear_graf_words(tf_idf_10_v2)

Análisis final de TF-IDF:

• En todos los medios, excepto en La Nación que no la incluía, logró eliminarse la palabra “anio” que figuraba en el primer lugar en términos de frecuencia. Además, en los casos de Crónica y Minuto 1, se eliminó otra palabra adicional incorporando, de esa manera, dos nuevas al top diez.

• El caso de La Nación ya se muestra normalizado, sin las stopwords que aparecían producto del scraping.

## Modelado de tópicos: LDA

¿Cuáles son los tópicos principales en el corpus? ¿Pueden evidenciar diferencias en cada uno de los medios? Explicar qué método se utilizó para responder la pregunta, cuáles son los supuestos del mismo. Generar las visualizaciones más adecuadas para responder a las preguntas.

Para implementar un modelado de temas con LDA necesitamos construir una matriz DTM.

# A PARTIR DE ACÁ dejo las dos pruebas para que puedas comparar. Si usamos la matriz término-frecuencia por MEDIO, la detección de tópicos da cualquier cosa. Si usamos la matriz término-frecuencia por NOTICIA el resultado tiene más sentido. No estoy segura como se explica, quizás podemos encontrar alguna justificación.

–> Nos quedamos con la versión 2 (por id)

```r disc_dtm_1 <- words_tidy_v2 %>% cast_dtm(medio, word, n)

```

r para_disc_dtm <- corpus_tidy_v2 %>% group_by(id, word) %>% summarise(n=n())

`summarise()` has grouped output by 'id'. You can override using the `.groups` argument.

```r # creo un conteo de palabras por noticia, no por medio

disc_dtm_2 <- para_disc_dtm %>% cast_dtm(id, word, n)

```

```r lda_orig_5 <- LDA(disc_dtm_1, k = 5, control = list(seed = 1234)) # k es el número de tópicos a identificar

ap_topics <- tidy(lda_orig_5, matrix = “beta”) # la función tidy convierte el modelo a un tópico-término por fila

ap_topics %>% mutate(beta = round(100*beta,6)) ```

```r

ap_top_terms <- ap_topics %>% group_by(topic) %>% slice_max(beta, n = 15) %>% ungroup() %>% arrange(topic, -beta)

ap_top_terms %>% mutate(term = reorder_within(term, beta, topic)) %>% ggplot(aes(beta, term, fill = factor(topic))) + geom_col(show.legend = FALSE) + facet_wrap(~ topic, scales=‘free_y’) + scale_y_reordered() + theme_minimal() ```

Pareciera que los cinco tópicos no tienen un sentido tan definido. Entonces, cabe la posibilidad de que haga falta utilizar un número de tópicos más elevado.

A su vez, la visualización anterior muestra que algunas palabras como… son comunes a más de un tema. Es decir, que los tópicos identificados tienen cierta superposición en términos de palabras.Como alternativa, podríamos considerar los términos que tuvieran la mayor diferencia en β entre todos los temas.

```r

# ESTO NO SÉ SI ESTÁ BIEN APLICADO, EN LA NOTEBOOK EL CASO ERA ALGO DISTINTO. SE CALCULABA SOBRE LOS TÓPICOS MÁS DEFINIDOS, PERO EN NUESTRO CASO NINGUNO ES DEFINIDO.

# Con este código calculamos el logaritmo de la proporción de cada tópico respecto al tópico de referencia para los cinco tópicos del conjunto de datos. Cada columna log_ratio representa la diferencia logarítmica entre los tópicos adyacentes. Esto proporciona información sobre cómo cambia la contribución relativa de cada tópico en comparación con su tópico adyacente.

beta_wide3 <- ap_topics %>% mutate(topic = paste0(“topic”, topic)) %>% pivot_wider(names_from = topic, values_from = beta) %>% filter(topic1 > 0.002 | topic2 > 0.002 | topic3 > 0.002 | topic4 > 0.002 | topic5 > 0.002) %>% # Filtro para eliminar valores muy bajos mutate(log_ratio1_2 = log2(topic2 / topic1), log_ratio2_3 = log2(topic3 / topic2), log_ratio3_4 = log2(topic4 / topic3), log_ratio4_5 = log2(topic5 / topic4), log_ratio5_1 = log2(topic1 / topic5))

beta_wide3 ```

r beta_wide3 %>% ggplot(aes(x=reorder(term,log_ratio1_2) , y=log_ratio1_2)) + geom_col() + coord_flip() + labs(x='Término', y='Log2 ratio topic3/topic2') + theme_minimal()

r beta_wide3 %>% ggplot(aes(x=reorder(term,log_ratio2_3) , y=log_ratio2_3)) + geom_col() + coord_flip() + labs(x='Término', y='Log2 ratio topic2/topic1') + theme_minimal()

r beta_wide3 %>% ggplot(aes(x=reorder(term,log_ratio3_4) , y=log_ratio3_4)) + geom_col() + coord_flip() + labs(x='Término', y='Log2 ratio topic4/topic3') + theme_minimal()

r beta_wide3 %>% ggplot(aes(x=reorder(term,log_ratio4_5) , y=log_ratio4_5)) + geom_col() + coord_flip() + labs(x='Término', y='Log2 ratio topic5/topic4') + theme_minimal()

r beta_wide3 %>% ggplot(aes(x=reorder(term, log_ratio5_1) , y= log_ratio5_1)) + geom_col() + coord_flip() + labs(x='Término', y='Log2 ratio topic1/topic5') + theme_minimal()

## Modelado de tópicos: STM

Para implementar un modelado de temas con STM necesitamos construir una matriz DFM.

```r disc_dfm <- words_tidy_v2 %>% cast_dfm(medio, word, n)

disc_dfm ```

A continuación, seleccionar las noticias vinculadas a algún tópico relevante (por ejemplo, “Elecciones”) y construir un clasificador para predecir la orientación del diario. Utilizar alguno de los modelos de clasificación vistos a lo largo de al Diplomatura (regresión logística, random forest, etc.). Utilizar como features el “Spanish Billion Word Corpus and Embeddings”, analizado en clase (pueden descargar el embedding en formato .bin del link). ¿Qué resultados arroja el modelo? ¿Es posible mediante el texto de las noticias conocer la línea editorial del diario? Generar las visualizaciones y tablas correspondientes para una correcta evaluación del modelo.